我要投稿

一文彻底搞懂大模型 - AI四次大发展

发布日期：2024-08-27 07:33:55 浏览次数： 1659

AI四次大发展

在探讨AI（人工智能）的发展历程时，我们可以将其划分为Artificial Intelligence、Machine Learning、Deep Learning和Large Language Model四个关键阶段，每个阶段都标志着技术上的重大突破和应用领域的扩展。以下是对这四个阶段的详细解析，以及它们如何共同推动了AI技术的演进，特别是最近的大语言模型（Large Language Model, LLM）的兴起。

AI四次大发展

阶段一：Artificial Intelligence

1950-1980：Artificial Intelligence（人工智能）的萌芽期

Artificial Intelligence

关键词：symbolic（符号主义）、基于规则、专家系统、图灵测试

symbolic

核心特点：以理论基础建立为核心，采用符号主义方法，受限于计算与数据，系统多针对特定简单问题，泛化能力不足。

理论基础建立：这一时期，AI的概念由艾伦·图灵等先驱提出，并围绕逻辑推理、问题求解等核心议题展开研究。
符号主义：主要基于规则的系统，通过编写大量规则来模拟人类智能行为，如专家系统。
局限与挑战：受限于计算能力和数据量的不足，AI系统往往只能解决特定领域内的简单问题，且难以泛化到更广泛的应用场景。

Turing Test

代表成果：约翰·麦卡锡提出“人工智能”概念以及DENDRAL专家系统在化学领域的成功应用，这两者共同奠定了AI发展的基础。

约翰·麦卡锡提出“人工智能”一词。
第一个专家系统DENDRAL在化学领域取得成功。

DENDRAL

阶段二：Machine Learning

1980-2010：Machine Learning（机器学习）的兴起

Machine Learning

关键词：基于统计、数据驱动、机器学习算法、特征工程

Machine Learning

神经网络算法 - 一文搞懂机器学习算法

核心特点：以数据驱动和统计学习为核心，通过优化模型参数提升预测和分类准确性，并成功拓展至语音识别、图像识别等多个应用领域。

数据驱动：随着数据量的增加和计算能力的提升，机器学习开始兴起，强调从数据中自动学习并改进算法。
统计学习：基于统计学原理，通过训练数据来优化模型参数，提高预测或分类的准确性。
应用拓展：机器学习技术开始应用于语音识别、图像识别等领域，并取得显著进展。

Machine Learning

代表技术：支持向量机（SVM）、决策树、随机森林等算法的出现，以及神经网络的复兴（尽管面临规模和训练上的挑战），共同推动了机器学习领域的显著进步。

支持向量机（SVM）、决策树、随机森林等算法的出现。
神经网络（尽管当时规模较小且训练困难）的复兴。

Machine Learning

阶段三：Deep Learning

2010-2020：Deep Learning（深度学习）的爆发

Deep Learning

关键词：connectionist（连接主义）、深度神经网络、PyTorch、Tensorflow

connectionist vs symbolic

核心特点：在大数据、高性能计算和算法创新的推动下实现了神经网络的复兴，通过端到端学习直接从数据中提取特征，广泛应用于图像识别、自然语言处理和语音识别等领域，推动了AI技术的飞跃。

神经网络复兴：得益于大数据、高性能计算（如GPU）和算法创新（如反向传播算法的优化），深度神经网络（DNN）得以快速发展。
端到端学习：深度学习模型能够直接从原始数据中学习特征表示，无需人工设计特征工程。
广泛应用：在图像识别（如ImageNet竞赛）、自然语言处理（NLP）、语音识别等领域取得突破性进展，推动了AI技术的广泛应用。

Deep Learning

代表成果：AlphaGo在围棋领域的卓越表现彰显了AI的深度学习能力，而Transformer模型的诞生则极大地推动了自然语言处理（NLP）技术的飞跃发展。

AlphaGo在围棋比赛中击败人类世界冠军。
Transformer模型的出现，极大地推动了NLP领域的发展。

AlphaGo

阶段四：Large Language Model

2020-？：Large Language Model（大语言模型）的崛起

Large Language Model

关键词：scaling law（缩放定律）、AIGC、超大规模参数、PLM、SFL

Large Language Model

核心特点：超大规模参数、零样本/少样本学习能力以及广泛的应用前景，这些特点共同赋予了它们对自然语言的深刻理解和生成能力，推动了AI技术的革新与发展。

超大规模：大语言模型（如GPT系列、BERT等）通过训练包含数十亿甚至数千亿参数的模型，实现了对自然语言的深刻理解和生成能力。
零样本/少样本学习：这些模型能够在没有或仅有少量标注数据的情况下，完成各种NLP任务，展现了强大的泛化能力。
应用前景广阔：大语言模型正在改变内容创作、智能客服、教育、医疗等多个行业的面貌，成为AI技术发展的新热点。

Large Language Model

代表成果：GPT系列（GPT-3、ChatGPT、GPT-4）凭借超大规模与强生成力重塑NLP，LLaMA开源则加速了LLM技术的普及与应用创新。

GPT-3及其后续如ChatGPT、GPT-4，凭借超大规模参数和强大生成能力，重塑了NLP领域，推动对话系统、文本创作等前沿发展。
LLaMA作为开源大模型，为研究者提供了灵活工具，加速LLM技术普及与应用探索。

LLaMA 3 vs GPT-4

53AI，企业落地应用大模型首选服务商

产品：大模型应用平台+智能体定制开发+落地咨询服务

承诺：先做场景POC验证，看到效果再签署服务协议。零风险落地应用大模型，已交付160+中大型企业

160+中大型企业正在使用53AI

立即咨询预约演示

百度智能云邀53AI：共创AI新纪元，启航智能新时代

2024-05-27

钉钉恒星计划：53AI与百余位企业家及钉钉生态伙伴，共议“AI 浪潮下的新机遇”

2024-05-22

热点资讯

GraphRAG+Ollama 本地部署，保姆教程，踩坑无数，闭坑大法

2024-07-18

万字长文解析：大模型需要怎样的硬件算力

2024-03-30

全面对比dify、coze、streamlit、chainlit

2024-04-26

“大数据+”医疗

2024-04-11

太强了！10大开源大模型！

2024-05-06

Qwen2 阿里最强开源大模型（Qwen2-7B）本地部署、API调用和WebUI对话机器人

2024-06-12

【深度】AI搜索产品深度分析-搜索原理和商业模式分析

2024-07-09

大模型训练及推理【硬件选型指南】及 GPU 通识

2024-05-09

Ollama 本地运行大模型(LLM)完全指南

2024-07-25

HealthGPT：华工数字孪生人实验室发布主动健康大模型基座

2023-07-01

大家都在问

基于LaMA-Factory微调llama3.1-8B

2024-09-23

RAG 噪声在大型语言模型中作用的综合分析

2024-09-23

软件工程中的Agents：调查、概览和愿景

2024-09-23

人工智能中的RAG、Agent与Agentic RAG

2024-09-23

瓴羊副总裁王赛：做真正可商用的ChatBl，坚持智能准确性与数据安全性并重

2024-09-23

传统到AI 大数据分析的演变，颠覆智慧水电的未来？

2024-09-23

o1核心作者演讲：激励AI自我学习，比试图教会AI每一项任务更重要

2024-09-23

OpenAI前研究者发布提示词工程框架ell，升级版LangChain，支持版本控制和多模态

2024-09-23

开箱即用的企业大模型应用平台

工作+AI

业务+AI

AIx业务

大模型咨询

大模型定制